Baixe o app para aproveitar ainda mais
Prévia do material em texto
SISTEMAS DE APOIO GERENCIAL Hiroo Takaoka takaoka@usp.br EAD657 – Tecnologia de Informação TIPOS DE SISTEMAS DE INFORMAÇÃO Sistemas de Processamento de Transações Sistemas de Controle de Processos Sistemas Colaborativos Sistemas de Informação Gerencial Sistemas de Apoio à Decisão Sistemas de Informação Executiva Sistemas de Apoio às Operações Sistemas de Apoio Gerencial Sistemas de Informação Apoio à Tomada de Decisão Gerencial Apoio às Operações Empresariais Processamento de Transações do Negócio Controle de Processos Industriais Colaboração de Equipe e Grupo de Trabalho Relatório Pré-especificado para Gerentes Apoio Interativo à Decisão Informação Adaptada para Executivos Sistemas de Processamento Especializado Sistemas Especialistas Sistemas de Gerenciamento de Conhecimento Sistemas de Informação Estratégica Apoio Especializado aos Tomadores de Decisão Gerenciamento de Conhecimento Organizacional Apoiar Vantagem Competitiva TIPOS DE SISTEMAS DE INFORMAÇÃO Sistemas de Processamento de Transações Sistemas de Controle de Processos Sistemas Colaborativos Sistemas de Informação Gerencial Sistemas de Apoio à Decisão Sistemas de Informação Executiva Sistemas de Apoio às Operações Sistemas de Apoio Gerencial Sistemas de Informação Apoio à Tomada de Decisão Gerencial Apoio às Operações Empresariais Processamento de Transações do Negócio Controle de Processos Industriais Colaboração de Equipe e Grupo de Trabalho Relatório Pré-especificado para Gerentes Apoio Interativo à Decisão Informação Adaptada para Executivos Sistemas de Processamento Especializado Sistemas Especialistas Sistemas de Gerenciamento de Conhecimento Sistemas de Informação Estratégica Apoio Especializado aos Tomadores de Decisão Gerenciamento de Conhecimento Organizacional Apoiar Vantagem Competitiva DATA WAREHOUSE DW – Data Warehouse OLAP – On Line Analytical Processing DW Fonte externo Extração Transformação Carga Data Mining Analise Dimensional (OLAP) Aplicações Analíticas Sistemas de Processamento de Transações Sistemas de Apoio à Decisão Data warehouse é um banco de dados centralizado e integrado de dados atuais e históricos voltado primariamente para as tomadas de decisões na organização. Data Mart é um subconjunto de dados do DW destinado a suportar as necessidades específicas de uma determinada unidade de negócios (Ex. Vendas). Bancos de dados operacionais Data Mart POR QUE ANÁLISE DIMENSIONAL (OLAP)? O executivo descreve seu negócio da seguinte maneira: “Nós vendemos Produtos em várias Regiões Geográficas e medimos o seu Desempenho através do Tempo. “ Desempenho por Produto por Região Geográfica por Tempo ou 5W1H: What, Where, When, Why, Who, How Produto Tempo Região UM CUBO: UMA METÁFORA PARA UM MODELO DIMENSIONAL Medidas (Fatos) Dimensões Produto Tempo Região EXEMPLO DE MODELO DIMENSIONAL Norte Leste Sul Oeste TV DVD Áudio Câmera Jan/201x Fev/201x Mar/201x Vendas 13 24 54 71 18 30 42 66 20 33 67 83 24 41 59 95 Abr/201x (Fatos) (Dimensão) (Dimensão) (Dimensão) Produto Tempo Região EXEMPLO DE MODELO DIMENSIONAL Norte Leste Sul Oeste TV DVD Áudio Câmera Jan/201x Fev/201x Mar/201x Vendas 13 29 49 61 18 33 37 56 20 37 62 73 24 45 54 82 Abr/201x (Fatos) (Dimensão) (Dimensão) (Dimensão) DATA MINING - APLICAÇÕES Técnica que procura correlacionar fatos, a partir de uma grande massa de dados, para encontrar padrões e tendências. • Associação (coisas feitas juntamente) • Padrões seqüenciais (fatos que implicam outros fatos, em momentos diferentes de tempo) • Classificação (reconhecimento de padrões) • Cluster (definição de novos grupos) • Previsão (predição a partir de séries temporais) DATA MINING - TÉCNICAS • Árvore de decisão • Usada para classificação • Regressão linear • Usada para predição • Inteligência Artificial • Usada para reconhecimento de padrões e classificação • Clustering • Usada para definição de novos grupos • Séries Temporais • Usada para predizer valores futuros em séries temporais DEFINIÇÃO DE BIG DATA Não há definição padrão.... “Big Data” são dados cuja escala, diversidade, complexidade e velocidade de geração requer novas arquiteturas, técnicas, algoritmos e técnicas analíticas para administrá-los e extrair valor e conhecimento oculto a partir deles… CARACTERÍSTICAS DE BIG DATA 1. Escala (volume) Está crescendo exponencialmente. Vai aumentar 44 vezes de 2009 até 2020 (0,8 zb para 33 zb) 2. Complexidade e diversidade (variedade) Vários formatos, tipos e estruturas Texto, numérico, imagem, áudio, vídeo, sequência, séries temporais, dados de mídia social, etc. Observação: zb (zetabyte) = 1021 bytes Para extrair conhecimento → todos estes dados devem ser ligados CARACTERÍSTICAS DE BIG DATA 3. Velocidade Os dados estão começando a ser gerados rapidamente e precisando ser processados rapidamente. Decisões tardias → perda de oportunidades Exemplos E-promoção. Baseado na sua localização atual, no seu histórico de compra, no seu gosto → Mandar promoções imediatamente à loja mais próxima Assistência médica. Sensores monitorando atividades e corpo → qualquer sinal anormal requer reação imediata CARACTERÍSTICAS DE BIG DATA Velocidade Volume Variedade 3 V’s + Veracidade Incerteza devido a inconsistência dos dados, incompletude, ambiguidade, latência, modelos de aproximação QUEM ESTÁ GERANDO BIG DATA Mídia e rede social (todos nós estamos gerando dados) Instrumentos científicos (coletando todos os tipos de dados) Objetos móveis (rastreando todos os objetos tempo todo) Tecnologia de sensor e redes (medindo todos os tipos de dados) EXEMPLO DE ARQUITETURA DE BIG DATA Data Mining Modelo (Algoritmo) Dados em tempo real Análise em tempo real Decisão Dados históricos DATA WAREHOUSE (DW) VS. BIG DATA A arquitetura de DW tradicional não é adequada para aplicações de Big Data, pois é orientada para: dados estruturados dados do passado processamento em lote Big Data armazena e processa muito mais dados (estruturados e não estruturados) em tempo real do que DW. DESAFIOS DE BIG DATA O gargalo está na tecnologia. Nova arquitetura Novos algoritmos Novas técnicas Também está na habilidade técnica. Especialistas utilizando novas tecnologias e lidando com Big Data. Conhecer negócio, informática e métodos quantitativos. INTELIGÊNCIA ARTIFICIAL Inteligência Artificial Robótica Ciência Cognitiva Interfaces Naturais •Sistemas Especialistas •Sistemas de Aprendizagem •Lógica Fuzzy •Algoritmos Genéticos •Redes Neurais •Agentes Inteligentes •Percepção Visual •Tatilidade •Destreza •Locomoção •Condução •Linguagens Naturais •Reconhecimentode Discursos •Interfaces Multi-sensorias •Realidade Virtual INTELIGÊNCIA ARTIFICIAL Inteligência Artificial Robótica Ciência Cognitiva Interfaces Naturais •Sistemas Especialistas •Sistemas de Aprendizagem •Lógica Fuzzy •Algoritmos Genéticos •Redes Neurais •Agentes Inteligentes •Percepção Visual •Tatilidade •Destreza •Locomoção •Condução •Linguagens Naturais •Reconhecimento de Discursos •Interfaces Multi-sensorias •Realidade Virtual SE - SISTEMA ESPECIALISTA É um programa que simula o processo decisório de um perito (especialista) na solução de problemas. Máquina de Inferência Interface com o usuário (Gerenciamento de diálogo) Base de Conhecimento 2 1 3 4 5 Fato..... Fato..... Regra... Fato..... Se... e Se..... e Se..... Então... 6 Regra..... Fato..... Regra... Fato..... REDES NEURAIS Redes neurais são modelos computacionais, inspirados na estrutura e operação do cérebro humano, que procuram reproduzir características humanas, tais como: aprendizado, associação, generalização e abstração. As redes neurais são especialmente eficazes no reconhecimento de padrões sutis, ocultos e novos entre dados complexos, bem como na interpretação de dados incompletos. Um banco americano chamado Mellon Bank instalou um sistema de detecção de fraudes de cartão de crédito implementado com técnicas de redes neurais e os prejuízos evitados pelo novo sistema conseguiram cobrir os gastos de instalação em seis meses. REDES NEURAIS Axônio (saída) Dendrito (entrada) Sinapse Soma Os neurônios são formados pelos dendritos, que são um conjunto de terminais de entrada, pelo corpo central que contém a célula nervosa ou soma e pelos axônios que são longos terminais de saída. Os neurônios se comunicam através de sinapses. Sinapse é a região onde dois neurônios entram em contato e através da qual os impulsos nervosos são transmitidos entre eles. Os impulsos recebidos por um neurônio A, em um determinado momento, são processados, e atingindo um dado limiar de ação, o neurônio A dispara, produzindo uma substância neurotransmissora que flui do corpo celular para o axônio, que pode estar conectado a um dendrito de um outro neurônio B. Neurônios A B REDES NEURAIS ARTIFICIAIS x1 x2 x3 x4 Saída p1 p2 p3 p4 Entradas Pesos Processador Σ Θ (Limiar) 1 ypx ii Camada de entrada Camada oculta Camada de saída Rede Neural Tendo uma rede neural montada, uma série de valores (xi) podem ser aplicadas sobre um neurônio (processador), sendo que este está conectado a outros pela rede. Estes valores (xi) são multiplicados no neurônio pelo valor de peso (pi) de sua sinapse. Então, esses valores são somados. Se esta soma ultrapassar um valor limite estabelecido (θ), um sinal (y) é propagado pela saída (axônio) deste neurônio. Conexões Pesos Pesos Pesos y REDES NEURAIS - CONSTRUÇÃO Redes neurais exige que os dados sejam divididos em dois grupos: Dados para treinamento. Estabelece pesos das conexões (pi). Enfatizar casos não usuais para dirigir o reconhecimento. pi pi pi Dados para treinamento Saída Teste. Testa os pesos (pi) para ver a eficiência do modelo. pi pi pi Dados para teste (Casos conhecidos) Saída (% acerto) REDES NEURAIS - EXEMPLO Idade, renda, estado civil Ocupação, empregador, tempo no emprego Quantia da hipoteca desejada Taxa de juros atual Fornecer hipoteca Rejeitar hipoteca Camada de entrada Camada oculta Camada de Saída LÓGICA FUZZY (DIFUSA) Lógica fuzzy é um método de raciocínio semelhante ao humano, já que ela permite trabalhar com valores e inferências aproximados (lógica fuzzy) e dados incompletos ou ambíguos (dados fuzzy) e não depender de dados precisos (ligado/desligado, sim/não, certo/errado, verdadeiro/falso). Por exemplo, nós humanos pensamos desse jeito: 35° é quente 2° é frio 25° é frio? (depende de outros fatores: vento, umidade, experiência do indivíduo, roupa, expectativa, etc.) Por exemplo, mais ou menos para paulista e verdadeiro para carioca Lógica fuzzy tem por objetivo modelar o modo aproximado de raciocínio humano, visando desenvolver sistemas computacionais capazes de tomar decisões racionais num ambiente de incerteza e imprecisão. Ao expressar a lógica com algumas imprecisões cuidadosamente definidas, a lógica fuzzy é muito próximo da maneira como a pessoa realmente pensa. LÓGICA FUZZY - APLICAÇÃO Determinar se um indivíduo é magro ou normal ou gordo ou muito gordo. REGRAS Se Muito Baixo & Leve então Magro Se Muito Baixo & Médio então Gordo Se Muito Baixo & Pesado então Muito Gordo Se Baixo & Leve então Magro Se Baixo & Médio então Gordo ... Avaliar se o risco do projeto é pequeno, normal ou alto. REGRAS Se dinheiro é adequado & pessoal é médio então risco pequeno Se dinheiro é médio & pessoal é alto então risco é normal Se dinheiro é inadequado então risco é alto ... LÓGICA FUZZY - EXEMPLO Um indivíduo com 1,75m e 65kg é magro ou normal ou gordo ou muito gordo? Uma aplicação de lógica fuzzy para determinar se um indivíduo é magro ou normal ou gordo ou muito gordo. LÓGICA FUZZY - EXEMPLO Leve Médio Pesado Muito Baixo (MB) Magro Gordo Muito Gordo Baixo (B) Magro Gordo Muito Gordo Médio (M) Magro Normal Gordo Alto (A) Muito Magro Magro Gordo Muito Alto (MA) Muito Magro Magro Gordo Conjunto de Regras O conjunto de regras define que decisão tomar de acordo com o tipo de entrada. Por exemplo, podemos definir que se o indivíduo é Baixo e Pesado, então ele é Muito Gordo. LÓGICA FUZZY - EXEMPLO REGRAS Se Muito Baixo & Leve então Magro Se Muito Baixo & Médio então Gordo Se Muito Baixo & Pesado então Muito Gordo Se Baixo & Leve então Magro Se Baixo & Médio então Gordo Se Baixo & Pesado então Muito Gordo Se Médio & Leve então Magro Se Médio & Médio então Normal Se Médio & Pesado então Gordo Se Alto & Leve então Muito Magro Se Alto & Médio então Magro Se Alto & Pesado então Gordo Se Muito Alto & Leve então Muito Magro Se Muito Alto & Médio então Magro Se Muito Alto & Pesado então Gordo Conjunto de regras no formato Se-então LÓGICA FUZZY - EXEMPLO o Terminologia o Variável linguística. É aquela que tem como valores palavras ou termos. o Variável fuzzy. Cada valor da variável linguística. o Exemplo: o Variável linguística: Peso o Variáveis fuzzy: Leve, Médio, Pesado Para peso abaixo de 40kg, a premissa “peso é leve” é totalmente verdadeira. Função de Pertinência para Peso 40 70 100 Leve Médio Pesado 0,5 1,0 kg 0 Pertinência Peso LÓGICA FUZZY - EXEMPLO Função de Pertinência para Peso 40 70 100 Leve Médio Pesado 0,5 1,0 kg 0 Pertinência Peso Lógica fuzzy Função de Pertinência para Peso 40 70 100 Leve Médio Pesado 0,5 1,0 kg 0 Pertinência Peso Lógica tradicional As proposições podem ter valores intermediários entre Verdadeira (1) ou Falsa (0). 0,5 talvez verdadeira 0,9 quase verdadeira As proposições são unicamente Verdadeira (1) ou Falsa (0). LÓGICA FUZZY - EXEMPLO MB B M A MA 1,20 1,40 1,60 1,80 2,00 0,5 1,0Função de Pertinência para Altura m 0 MB Muito Baixo B Baixo M Médio A Alto MA Muito Alto Altura LÓGICA FUZZY - EXEMPLO Altura Grau de Pertinência Muito Baixo (MB) 0 Baixo (B) 0 Médio (M) 0,25 Alto (A) 0,75 Muito Alto (MA) 0 Peso Grau de Pertinência Leve 0,25 Médio 0,75 Pesado 0 MB B M A MA 1,20 1,40 1,60 1,80 2,00 0,5 1,0 Para alturas, o valor 1,75m tem os seguintes graus de pertinência. Para pesos, o valor 65kg tem os seguintes graus de pertinência. 40 70 100 Leve Médio Pesado 0,5 1,0 65 kg 1,75 m m kg 0 0 LÓGICA FUZZY - EXEMPLO REGRAS GRAUS DE PERTINÊNCIA Se Muito Baixo & Leve então Magro Min (0 & 0,25) = 0 Se Muito Baixo & Médio então Gordo Min (0 & 0,75) = 0 Se Muito Baixo & Pesado então Muito Gordo Min (0 & 0) = 0 Se Baixo & Leve então Magro Min (0 & 0,25) = 0 Se Baixo & Médio então Gordo Min (0 & 0,75) = 0 Se Baixo & Pesado então Muito Gordo Min (0 & 0) = 0 Se Médio & Leve então Magro Min (0,25 & 0,25) = 0,25 Se Médio & Médio então Normal Min (0,25 & 0,75) = 0,25 Se Médio & Pesado então Gordo Min (0,25 & 0) = 0 Se Alto & Leve então Muito Magro Min (0,75 & 0,25) = 0,25 Se Alto & Médio então Magro Min (0,75 & 0,75) = 0,75 Se Alto & Pesado então Gordo Min (0,75 & 0) = 0 Se Muito Alto & Leve então Muito Magro Min (0 & 0,25) = 0 Se Muito Alto & Médio então Magro Min (0 & 0,75) = 0 Se Muito Alto & Pesado então Gordo Min (0 & 0) = 0 Peso Grau de Pertinência Leve 0,25 Médio 0,75 Pesado 0 Maior Mínimo Para descobrir a classe de saída a que pertence os valores 1,75m e 65kg, é necessário testar todas as regras aplicando os valores de entrada nas funções de pertinência e selecionar o maior mínimo. Nota: Min (grau de pertinência de 1,75m & grau de pertinência de 65kg) Altura Grau de Pertinência Muito Baixo 0 Baixo 0 Médio 0,25 Alto 0,75 Muito Alto 0 Resposta: O indivíduo é magro. ALGORITMO GENÉTICO É a metáfora da teoria de evolução de espécies (Darwin). Refere-se a uma variedade de técnicas de solução de problemas que são conceitualmente baseadas no método que o organismo vivo usa para se adaptar ao meio ambiente. São programados para trabalhar como a população resolve problemas: mudando e reorganizando seus componentes usando processos tais como reprodução, mutação e seleção natural. Promove a evolução de soluções de problemas controlando a geração, variação, adaptação e seleção de possíveis soluções usando processos baseados em genética (as melhores soluções sobrevivem). Pode gerar programas que solucionam problema mesmo que ninguém pode compreender completamente sua estrutura. Em problemas difíceis de otimização, quando não existe nenhuma outra técnica específica para resolver o problema. Otimização de funções numéricas em geral Otimização combinatória Seleção de rotas (Caixeiro viajante) Configuração de sistemas complexos Alocação de tarefas Otimização de base de regras Problema de conexão Engenharia de redes neurais Otimização Multiobjetivo ALGORITMO GENÉTICO - APLICAÇÃO ALGORITMO GENÉTICO - FUNCIONAMENTO Início Criação da população Cálculo da adaptação Seleção Reprodução Mutação Solução encontrada Fim 1 2 3 n Selecionar os indivíduos mais aptos. População inicial. Adaptação é a nota associada ao indivíduo que avalia quão boa é a solução por ele representado. Solução Indivíduo Cromossomo Criar novos indivíduos aplicando operador Reprodução Criar novos indivíduos aplicando operador Mutação Nova população Verificar critério de parada Indivíduo • Os indivíduos são a unidade fundamental de funcionamento de um AG. Eles codificam possíveis soluções para o problema a ser tratado, e é através de sua manipulação (pelo processo de evolução) que soluções serão encontradas. Representação A escolha da representação para os indivíduos (solução) é a etapa mais importante para o desenvolvimento de um AG. É de uso comum em AG utilizar o termo genoma ou cromossomo como sinônimo de indivíduo. Cromossomos consistem de genes - sequências de DNA - que servem para determinar as características de um indivíduo. A maioria da representação utiliza vetores de tamanho finito e um alfabeto finito. ALGORITMO GENÉTICO (AG) - IDÉIA BÁSICA Exemplos de representação ALGORITMO GENÉTICO - IDÉIA BÁSICA Genótipo (Genes) Fenótipo (Decodificação do cromossomo) Problema 1000111 143 Otimização numérica ADHEFJBCH Partir da cidade A, depois passar pelas cidades D, H, E, F, J, B, C e terminar em H Caixeiro viajante C1R4C2R6C5R2 Se condição 1 (C1) execute regra 4 (R4), se (C2) execute (R6), se (C5) execute (R2) Regra de aprendizagem Max f(x) = x seno (10𝜋𝑥) + 1,0 sujeito a -1,0 ≤ 𝑥 ≤ 2,0 Codificação • Cada cromossomo binário é uma cadeia de bits – 0 ou 1 Cromossomo: 1= 1101000100110110 Cromossomo: 2 = 1101111000011110 Reprodução • Durante o processo de reprodução ocorre-se a recombinação (ou crossover – cruzamento). Genes dos pais se combinam para formar novos cromossomos. Crom1: 11010 | 00100110110 Crom2: 11011 | 11000011110 Filho 1: 11010 | 11000011110 Filho 2: 11011 | 00100110110 • Os descendentes criados podem sofrer mutações, ou seja, os elementos do DNA podem ser trocados Filho1 antes: 1101111000011110 Filho1 depois: 1100111000011110 Filho2 antes: 1101100100110110 Filho2 depois: 1101101100110100 • A adaptação de um organismo pode ser medida pelo sucesso do mesmo em sua vida (função objetiva). ALGORITMO GENÉTICO - OPERADORES
Compartilhar